n8n, MCP 및 Ollama를 사용한 강력한 로컬 AI 자동화

편집자 이미지

# 소개

LLM(대규모 언어 모델)을 로컬에서 실행하는 것은 실제 작업을 수행하는 경우에만 중요합니다. 가치 n8n그만큼 모델 컨텍스트 프로토콜 (MCP) 및 장차 ~ 가 되는 아키텍처의 우아함은 아니지만 엔지니어가 루프에 참여해야 하는 작업을 자동화하는 기능입니다.

이 스택은 모든 구성 요소가 n8n 오케스트레이션, MCP가 도구 사용을 제한하고 로컬 데이터에 대한 Ollama 이유와 같은 구체적인 책임을 가질 때 작동합니다.

궁극적인 목표는 단일 워크스테이션이나 소규모 서버에서 이러한 자동화를 실행하여 깨지기 쉬운 스크립트와 값비싼 API 기반 시스템을 대체하는 것입니다.

# 근본 원인 가설 생성을 통한 자동 로그 분류

이 자동화는 다음과 같이 시작됩니다. n8n 로컬 디렉터리 또는 Kafka 소비자로부터 5분마다 애플리케이션 로그를 수집합니다. n8n은 서비스별 그룹화, 반복되는 스택 추적 중복 제거, 타임스탬프 및 오류 코드 추출 등 결정론적 전처리를 수행합니다. 압축된 로그 번들만 Ollama로 전달됩니다.

로컬 모델은 오류를 클러스터링하고, 첫 번째 원인 이벤트를 식별하고, 2~3개의 그럴듯한 근본 원인 가설을 생성하도록 요청하는 엄격한 범위의 프롬프트를 받습니다. MCP는 단일 도구를 노출합니다. query_recent_deployments. 모델이 요청하면 n8n은 배포 데이터베이스에 대해 쿼리를 실행하고 결과를 반환합니다. 그런 다음 모델은 가설을 업데이트하고 구조화된 JSON을 출력합니다.

n8n은 출력을 저장하고 내부 Slack 채널에 요약을 게시하며 신뢰도가 정의된 임계값을 초과하는 경우에만 티켓을 엽니다. 클라우드 LLM이 포함되지 않으며 모델은 사전 처리 없이는 원시 로그를 볼 수 없습니다.

# 분석 파이프라인을 위한 지속적인 데이터 품질 모니터링

n8n은 로컬 창고에서 들어오는 배치 테이블을 감시하고 기록 기준에 대해 스키마 비교를 실행합니다. 드리프트가 감지되면 워크플로는 전체 데이터 세트가 아닌 변경 사항에 대한 간략한 설명을 Ollama로 보냅니다.

모델은 드리프트가 양성인지, 의심스러운지, 심각한지 여부를 결정하도록 지시받습니다. MCP는 두 가지 도구(sample_rows 및 compute_column_stats. 모델은 이러한 도구를 선택적으로 요청하고, 반환된 값을 검사하고, 사람이 읽을 수 있는 설명과 함께 분류를 생성합니다.

드리프트가 중단된 것으로 분류되면 n8n은 자동으로 다운스트림 파이프라인을 일시 중지하고 모델의 추론으로 사건에 주석을 추가합니다. 시간이 지남에 따라 팀은 모두 로컬에서 생성된 과거 스키마 변경 및 결정에 대한 검색 가능한 아카이브를 축적합니다.

# 머신 러닝 파이프라인을 위한 자율 데이터세트 라벨링 및 검증 루프

이 자동화는 수동 라벨링으로 인해 병목 현상이 발생하는 지속적으로 도착하는 데이터에 대한 팀 교육 모델을 위해 설계되었습니다. n8n은 로컬 데이터 드롭 위치 또는 데이터베이스 테이블을 모니터링하고 레이블이 지정되지 않은 새로운 레코드를 고정된 간격으로 일괄 처리합니다.

각 배치는 추론이 발생하기 전에 중복을 제거하고, 필드를 정규화하고, 최소한의 메타데이터를 첨부하기 위해 결정론적으로 전처리됩니다.

Ollama는 정리된 배치만 수신하고 자유 텍스트가 아닌 신뢰도 점수가 포함된 레이블을 생성하라는 지시를 받습니다. MCP는 제한된 도구 세트를 노출하므로 모델은 어떤 것이든 허용되기 전에 과거 분포 및 샘플링 검사에 대해 자체 출력을 검증할 수 있습니다. 그런 다음 n8n은 라벨이 자동 승인되는지, 부분 승인되는지, 사람에게 전달되는지 결정합니다.

루프의 주요 구성요소:

1. 초기 라벨 생성: 로컬 모델은 제공된 스키마와 예시를 엄격하게 기반으로 라벨과 신뢰도 값을 할당하여 n8n이 해석 없이 검증할 수 있는 구조화된 JSON을 생성합니다.
2. 통계적 드리프트 검증: MCP 도구를 통해 모델은 이전 배치의 라벨 배포 통계를 요청하고 개념 드리프트 또는 잘못된 분류를 암시하는 플래그 편차를 요청합니다.
3. 낮은 신뢰도 에스컬레이션: n8n은 신뢰도 임계값 미만의 샘플을 인간 검토자에게 자동으로 라우팅하고 나머지는 수락하여 정확도를 저하시키지 않고 높은 처리량을 유지합니다.
4. 피드백 재주입: 사람이 수정한 내용은 새로운 참조 사례로 시스템에 다시 피드백되며, 모델은 향후 MCP를 통해 이를 검색할 수 있습니다.

이는 지역적으로 확장되고 시간이 지남에 따라 개선되며 실제로 필요하지 않은 한 중요한 경로에서 사람을 제거하는 폐쇄 루프 라벨링 시스템을 만듭니다.

# 내부 및 외부 소스에서 자동으로 업데이트되는 연구 개요

이 자동화는 야간 일정에 따라 실행됩니다. n8n은 선택한 리포지토리, 최근 내부 문서 및 선별된 저장된 기사 세트에서 새 커밋을 가져옵니다. 각 항목은 청크로 분할되어 로컬로 포함됩니다.

Ollama는 터미널을 통해 실행하든 GUI를 통해 실행하든 새 연구 개요를 생성하는 대신 기존 연구 개요를 업데이트하라는 메시지가 표시됩니다. MCP는 모델이 이전 요약 및 임베딩을 쿼리할 수 있는 검색 도구를 제공합니다. 모델은 변경된 사항을 식별하고 영향을 받은 섹션만 다시 작성하며 모순이나 오래된 주장을 표시합니다.

n8n은 업데이트된 개요를 저장소에 다시 커밋하고 차이점을 기록합니다. 그 결과 수동으로 다시 작성하지 않고 전적으로 로컬 추론을 통해 발전하는 살아있는 문서가 탄생했습니다.

# 증거 연결을 통한 자동화된 사건 사후 분석

사건이 종결되면 n8n은 경고, 로그 및 배포 이벤트로부터 타임라인을 수집합니다. 모델에게 맹목적으로 내러티브를 작성하도록 요청하는 대신 워크플로는 엄격한 연대순 블록으로 타임라인을 제공합니다.

모델은 타임라인 이벤트에 대한 명시적인 인용을 통해 사후 분석을 생성하도록 지시받습니다. MCP는 fetch_event_details 컨텍스트가 누락되었을 때 모델이 호출할 수 있는 도구입니다. 최종 보고서의 각 단락은 구체적인 증거 ID를 참조합니다.

n8n은 인용이 부족한 모든 출력을 거부하고 모델에 다시 프롬프트를 표시합니다. 최종 문서는 일관되고 감사 가능하며 운영 데이터를 외부에 노출하지 않고도 생성됩니다.

# 현지 계약 및 정책 검토 자동화

법률 및 규정 준수 팀은 내부 시스템에서 이 자동화를 실행합니다. n8n은 새로운 계약 초안 및 정책 업데이트를 수집하고 서식을 제거하며 조항을 구분합니다.

Ollama는 각 조항을 승인된 기준선 및 플래그 편차와 비교하도록 요청받습니다. MCP는 retrieve_standard_clause 도구를 사용하면 모델이 표준 언어를 가져올 수 있습니다. 출력에는 정확한 조항 참조, 위험 수준 및 제안된 개정이 포함됩니다.

n8n은 고위험 결과를 인간 검토자에게 전달하고 변경되지 않은 섹션을 자동 승인합니다. 민감한 문서는 절대 로컬 환경을 떠나지 않습니다.

# 내부 저장소에 대한 도구 사용 코드 검토

이 워크플로는 풀 요청 시 트리거됩니다. n8n은 차이점과 테스트 결과를 추출한 다음 논리 변경 및 잠재적인 오류 모드에만 집중하라는 지침과 함께 이를 Ollama로 보냅니다.

MCP를 통해 모델은 다음을 호출할 수 있습니다. run_static_analysis 그리고 query_test_failures. 이러한 결과를 사용하여 검토 의견을 근거로 삼습니다. n8n은 모델이 구체적이고 재현 가능한 문제를 식별하는 경우에만 인라인 댓글을 게시합니다.

그 결과 스타일 의견을 환각하지 않고 증거가 주장을 뒷받침하는 경우에만 의견을 제시하는 코드 검토자가 탄생했습니다.

# 최종 생각

각 예는 모델의 범위를 제한하고 필요한 도구만 노출하며 적용을 위해 n8n을 사용합니다. 로컬 추론을 사용하면 이러한 워크플로를 지속적으로 실행할 수 있을 만큼 빠르게, 항상 유지할 수 있을 만큼 저렴하게 만들 수 있습니다. 더 중요한 것은 데이터가 속한 곳에서 엄격한 통제 하에 데이터와 실행에 가까운 추론을 유지한다는 것입니다.

여기서 n8n, MCP 및 Ollama는 인프라 실험을 중단하고 실용적인 자동화 스택으로 기능하기 시작합니다.

날라 데이비스 소프트웨어 개발자이자 기술 작가입니다. 기술 문서 작성에 전념하기 전에는 삼성, Time Warner, Netflix, Sony 등을 고객으로 두고 있는 5,000개의 체험 브랜딩 조직인 Inc.에서 수석 프로그래머로 일했습니다.